1 Introducción y definición de objetivos

El análisis de datos en el deporte es un área que lleva varios años en auge, hasta el punto de que en algunos casos como el fútbol americano o el baseball ha adquirido tal relevancia que tiene influencia directa en el desarrollo de los partidos.

El mundo del fútbol, sin embargo, parece algo reacio a incorporar esta forma de trabajo en su día a día, aunque en los últimos años ya están apareciendo empresas especializadas, como es el caso de Olocip, que empiezan a ofrecer soluciones reales para temas que antes pasaban desapercibidos.

Para adentrarnos un poco en este terreno hemos seleccionado un dataset (kaggle - La Liga Match Data) con datos de todos los partidos de la primera división española que acabarcan 6 temporadas (de 2014 a 2020).

Nuestro primer propósito será analizar los datos en profundidad para ver cómo se distribuyen los diferentes eventos en un partido de fútbol, comprenderlos y visualizarlos, para posteriormente determinar cuáles son aquellos que tienen mayor influencia en el resultado final.

En ultima instancia, tras conocer aquellas variables que influyen en mayor medida en la victoria de un equipo, se intentará comprobar si es posible predecir el desenlace de un partido futuro.

library(dplyr)
library(tidyr)
library(knitr)
library(readr)
library(ggplot2)
library(cowplot)
library(GGally)
library(kableExtra)
library(plotrix)
library(ggcorrplot)
library(bestNormalize)

2 Análisis exploratorio inicial

2.1 Lectura y preparación de los datos

En esta primera etapa cargamos el dataset descargado y hacemos una observación superficial de las variables recogidas y sus características. Se representan también las 10 filas iniciales (primera jornada).

laliga <- read_csv("combined_data_laliga.csv")

head(laliga, 10) %>%
  kbl() %>%
  kable_material(c("striped", "hover")) %>%
  scroll_box(width = "100%", height = "350px")

…1	Home Team	Away Team	Score	Half Time Score	Match Excitement	Home Team Rating	Away Team Rating	Home Team Possession %	Away Team Possession %	Home Team Off Target Shots	Home Team On Target Shots	Home Team Total Shots	Home Team Blocked Shots	Home Team Corners	Home Team Throw Ins	Home Team Pass Success %	Home Team Aerials Won	Home Team Clearances	Home Team Fouls	Home Team Yellow Cards	Home Team Red Cards	Away Team Off Target Shots	Away Team On Target Shots	Away Team Total Shots	Away Team Blocked Shots	Away Team Corners	Away Team Throw Ins	Away Team Pass Success %	Away Team Aerials Won	Away Team Clearances	Away Team Fouls	Away Team Yellow Cards	Away Team Second Yellow Cards	Away Team Red Cards	Home Team Goals Scored	Away Team Goals Scored	Home Team Goals Conceeded	Away Team Goals Conceeded	year
0	MÁLAGA	ATHLETIC	1-0	1-0	4.4	6.0	5.7	40	60	5	3	12	4	5	13	69	11	16	13	3	2	5	5	12	2	4	22	84	17	14	9	3	0	0	1	0	0	1	2014
1	SEVILLA FC	VALENCIA	1-1	1-0	4.7	6.5	6.8	47	53	4	3	12	5	3	20	76	13	16	23	4	0	5	1	11	5	3	27	79	14	16	8	2	0	1	1	1	1	1	2014
2	GRANADA	DEPORTIVO	2-1	0-1	4.6	7.2	5.9	53	47	6	3	10	1	5	25	79	20	21	13	1	0	1	1	8	6	3	30	76	10	14	26	3	0	0	2	1	1	2	2014
3	ALMERÍA	ESPANYOL	1-1	0-0	5.6	6.9	5.5	56	44	7	6	19	6	11	26	81	19	25	8	3	0	6	2	12	4	7	19	70	11	20	9	3	1	0	1	1	1	1	2014
4	EIBAR	REAL SOCIEDAD	1-0	1-0	3.7	6.5	5.9	41	59	5	5	12	2	5	28	60	29	17	13	4	0	7	4	19	8	6	36	75	25	20	14	1	0	0	1	0	0	1	2014
5	BARCELONA	ELCHE	3-0	1-0	5.1	8.0	5.3	72	28	5	6	12	1	3	23	93	2	2	11	0	1	3	0	3	0	1	19	81	4	17	13	1	0	0	3	0	0	3	2014
6	CELTA	GETAFE	3-1	1-0	7.0	7.3	5.5	59	41	4	9	20	7	4	21	82	27	15	19	4	0	8	3	12	1	4	19	74	22	7	15	1	0	0	3	1	1	3	2014
7	LEVANTE	VILLARREAL	0-2	0-0	4.7	5.6	7.3	53	47	4	2	9	3	3	16	80	19	12	11	1	0	5	6	12	1	4	14	78	21	18	14	3	0	0	0	2	2	0	2014
8	REAL MADRID	CÓRDOBA	2-0	1-0	4.7	6.9	5.5	63	37	3	8	14	3	8	25	88	23	13	9	1	0	6	2	8	0	5	18	79	15	27	13	2	0	0	2	0	0	2	2014
9	RAYO VALLECANO	ATLETICO MADRID	0-0	0-0	2.1	6.9	5.9	59	41	5	2	8	1	2	23	79	21	20	13	2	0	3	2	9	4	4	34	68	26	15	17	2	0	0	0	0	0	0	2014

summary(laliga)

##       ...1         Home Team          Away Team            Score          
##  Min.   :   0.0   Length:2660        Length:2660        Length:2660       
##  1st Qu.: 664.8   Class :character   Class :character   Class :character  
##  Median :1329.5   Mode  :character   Mode  :character   Mode  :character  
##  Mean   :1329.5                                                           
##  3rd Qu.:1994.2                                                           
##  Max.   :2659.0                                                           
##                                                                           
##  Half Time Score    Match Excitement Home Team Rating Away Team Rating
##  Length:2660        Min.   : 1.400   Min.   : 2.800   Min.   : 3.000  
##  Class :character   1st Qu.: 3.900   1st Qu.: 5.700   1st Qu.: 5.400  
##  Mode  :character   Median : 5.100   Median : 6.400   Median : 6.000  
##                     Mean   : 5.249   Mean   : 6.369   Mean   : 6.045  
##                     3rd Qu.: 6.300   3rd Qu.: 6.900   3rd Qu.: 6.600  
##                     Max.   :10.000   Max.   :10.000   Max.   :10.000  
##                                                                       
##  Home Team Possession % Away Team Possession % Home Team Off Target Shots
##  Min.   :18.00          Min.   :17.00          Min.   : 0.000            
##  1st Qu.:44.00          1st Qu.:41.00          1st Qu.: 4.000            
##  Median :52.00          Median :48.00          Median : 5.000            
##  Mean   :51.52          Mean   :48.46          Mean   : 5.533            
##  3rd Qu.:59.00          3rd Qu.:56.00          3rd Qu.: 7.000            
##  Max.   :83.00          Max.   :82.00          Max.   :18.000            
##  NA's   :1                                                               
##  Home Team On Target Shots Home Team Total Shots Home Team Blocked Shots
##  Min.   : 0.000            Min.   : 2.00         Min.   : 0.000         
##  1st Qu.: 3.000            1st Qu.:10.00         1st Qu.: 1.000         
##  Median : 4.000            Median :13.00         Median : 3.000         
##  Mean   : 4.649            Mean   :13.08         Mean   : 2.913         
##  3rd Qu.: 6.000            3rd Qu.:16.00         3rd Qu.: 4.000         
##  Max.   :17.000            Max.   :33.00         Max.   :12.000         
##  NA's   :1                                                              
##  Home Team Corners Home Team Throw Ins Home Team Pass Success %
##  Min.   : 0.000    Min.   : 5.0        Min.   :46.00           
##  1st Qu.: 3.000    1st Qu.:18.0        1st Qu.:73.00           
##  Median : 5.000    Median :22.0        Median :78.00           
##  Mean   : 5.395    Mean   :22.5        Mean   :77.71           
##  3rd Qu.: 7.000    3rd Qu.:27.0        3rd Qu.:84.00           
##  Max.   :20.000    Max.   :49.0        Max.   :93.00           
##                                                                
##  Home Team Aerials Won Home Team Clearances Home Team Fouls
##  Min.   : 2.0          Min.   : 1.0         Min.   : 1.00  
##  1st Qu.:12.0          1st Qu.:12.0         1st Qu.:11.00  
##  Median :16.0          Median :17.0         Median :14.00  
##  Mean   :17.1          Mean   :17.7         Mean   :13.75  
##  3rd Qu.:22.0          3rd Qu.:22.0         3rd Qu.:16.00  
##  Max.   :52.0          Max.   :61.0         Max.   :33.00  
##                        NA's   :1                           
##  Home Team Yellow Cards Home Team Second Yellow Cards Home Team Red Cards
##  Min.   :0.000          Min.   :0.00000               Min.   :0.00000    
##  1st Qu.:1.000          1st Qu.:0.00000               1st Qu.:0.00000    
##  Median :2.000          Median :0.00000               Median :0.00000    
##  Mean   :2.417          Mean   :0.05604               Mean   :0.04699    
##  3rd Qu.:3.000          3rd Qu.:0.00000               3rd Qu.:0.00000    
##  Max.   :8.000          Max.   :2.00000               Max.   :2.00000    
##                         NA's   :1                                        
##  Away Team Off Target Shots Away Team On Target Shots Away Team Total Shots
##  Min.   : 0.000             Min.   : 0.000            Min.   : 0.00        
##  1st Qu.: 3.000             1st Qu.: 2.000            1st Qu.: 7.00        
##  Median : 4.000             Median : 3.000            Median :10.00        
##  Mean   : 4.319             Mean   : 3.669            Mean   :10.36        
##  3rd Qu.: 6.000             3rd Qu.: 5.000            3rd Qu.:13.00        
##  Max.   :14.000             Max.   :13.000            Max.   :28.00        
##  NA's   :1                                                                 
##  Away Team Blocked Shots Away Team Corners Away Team Throw Ins
##  Min.   : 0.000          Min.   : 0.000    Min.   : 3.00      
##  1st Qu.: 1.000          1st Qu.: 2.000    1st Qu.:17.00      
##  Median : 2.000          Median : 4.000    Median :21.00      
##  Mean   : 2.391          Mean   : 4.215    Mean   :21.48      
##  3rd Qu.: 3.000          3rd Qu.: 6.000    3rd Qu.:26.00      
##  Max.   :13.000          Max.   :32.000    Max.   :45.00      
##  NA's   :1               NA's   :1         NA's   :1          
##  Away Team Pass Success % Away Team Aerials Won Away Team Clearances
##  Min.   :41.0             Min.   : 0.00         Min.   : 1.00       
##  1st Qu.:71.0             1st Qu.:11.00         1st Qu.:14.00       
##  Median :77.0             Median :16.00         Median :20.00       
##  Mean   :75.9             Mean   :16.75         Mean   :21.43       
##  3rd Qu.:82.0             3rd Qu.:21.00         3rd Qu.:27.00       
##  Max.   :93.0             Max.   :53.00         Max.   :63.00       
##  NA's   :2                NA's   :1                                 
##  Away Team Fouls Away Team Yellow Cards Away Team Second Yellow Cards
##  Min.   : 0.00   Min.   :0.000          Min.   :0.00000              
##  1st Qu.:11.00   1st Qu.:2.000          1st Qu.:0.00000              
##  Median :13.00   Median :3.000          Median :0.00000              
##  Mean   :13.77   Mean   :2.641          Mean   :0.07744              
##  3rd Qu.:16.00   3rd Qu.:4.000          3rd Qu.:0.00000              
##  Max.   :30.00   Max.   :8.000          Max.   :2.00000              
##                                                                      
##  Away Team Red Cards Home Team Goals Scored Away Team Goals Scored
##  Min.   :0.00000     Min.   : 0.000         Min.   :0.000         
##  1st Qu.:0.00000     1st Qu.: 1.000         1st Qu.:0.000         
##  Median :0.00000     Median : 1.000         Median :1.000         
##  Mean   :0.04887     Mean   : 1.518         Mean   :1.141         
##  3rd Qu.:0.00000     3rd Qu.: 2.000         3rd Qu.:2.000         
##  Max.   :2.00000     Max.   :10.000         Max.   :8.000         
##                                                                   
##  Home Team Goals Conceeded Away Team Goals Conceeded      year     
##  Min.   :0.000             Min.   : 0.000            Min.   :2014  
##  1st Qu.:0.000             1st Qu.: 1.000            1st Qu.:2015  
##  Median :1.000             Median : 1.000            Median :2017  
##  Mean   :1.141             Mean   : 1.518            Mean   :2017  
##  3rd Qu.:2.000             3rd Qu.: 2.000            3rd Qu.:2019  
##  Max.   :8.000             Max.   :10.000            Max.   :2020  
##

El dataset contiene 2660 observaciones (correspondientes a un partido cada una) y 40 variables (de las cuales son 4 cualitativas y 36 cuantitativas discretas). Las mayoría de estas variables cuantitativas (34) son las acciones del partido duplicadas, correspondientes a cada equipo (local y visitante).

Respecto a los datos faltantes (NA), el dataset original no tenía ninguno. Sin embargo se han introducido algunos de forma aleatoria para su posterior tratamiento.

A continuación, la descripción de cada una de las variables:

Home Team: Equipo local
Away Team: Equipo visitante
Score: Resultado (ejemplo: 2-1)
Half Time Score: Resultado al descanso (ejemplo: 1-1)
Match Excitement: Emoción del partido (subjetiva)
Home Team Rating: Valoración del local (subjetiva)
Away Team Rating: Valoración del visitante (subjetiva)
Home Team Possession: Posesión local
Away Team Possession: Posesión visitante
Home Team off Target Shots: Tiros fuera local
Home Team on Target Shots: Tiros a puerta local
Home Team Total Shots: Total tiros local
Home Team Blocked Shots: Tiros bloqueados local
Home Team Corners: Corners local
Home Team Throw Ins: Centros local
Home Team Pass Success: Pases exitosos local
Home Team Aerials Won: Balones aereos ganados local
Home Team Clearances: Despejes local
Home Team Fouls: Faltas local
Home Team Yellow Cards: Amarillas local
Home Team Second Yellow Cards: Segundas amarillas local
Home Team Red Cards: Rojas local
Away Team off Target Shots: Tiros fuera visitante
Away Team on Target Shots: Tiros a puerta visitante
Away Team Total Shots: Total tiros visitante
Away Team Blocked Shots: Tiros bloqueados visitante
Away Team Corners: Corners visitante
Away Team Throw Ins: Centros visitante
Away Team Pass Success: Pases exitosos visitante
Away Team Aerials Won: Balones aereos ganados visitante
Away Team Clearances: Despejes visitante
Away Team Fouls: Faltas visitante
Away Team Yellow Cards: Amarillas visitante
Away Team Second Yellow Cards: Segundas amarillas visitante
Away Team Red Cards: Rojas visitante
Home Team Goals Scored: Goles local
Away Team Goals Scored: Goles visitante
Home Team Goals Conceeded: Goles visitante
Away Team Goals Conceeded: Goles local
Year: Año

Tras esta primera visualización, se hará una limpieza del dataset:

En primer lugar renombraremos todas las variables para eliminar los espacios (que entorpecen su tratamiento), sustituyéndolos por guiones bajos.
Las variables Match excitement, Home Team Rating y Away Team Rating serán eliminadas, ya que corresponden a valoraciones subjetivas que no nos interesa analizar.
Tanto Home Team Goals Conceeded como Away Team Goals Conceeded son redundantes, ya que ya están recogidas en las columnas de goles anotados por cada equipo, por lo que también las eliminamos.
Por otra parte, la variable Score (en formato texto) la transformaremos en una variable categórica con los resultados a modo de quinieral (1,X,2). El resultado al descanso Half Time Score también será eliminado, ya que nuestro objetivo será predecir resultado antes del comienzo del partido, no a mitad de este.
Las variables que definen los equipos del partido (Home Team y Away Team) se transformarán en variables categóricas para una correcta visualización más adelante.
Por último, de cara a futuros estudios con la posición en liga de cada equipo en el momento del partido, definiremos tres nuevas variables con el número de jornada correspondiente (ya que hemos comprobado que el dataset está ordenado cronológicamente) y los puntos ganados por cada equipo (0, 1 ó 3).

# Limpieza de las columnas quitando los espacios y cambiandolos por guiones
names(laliga) <- gsub(" ","_", names(laliga))

# Limpieza de variables que no nos interesan
laliga$Score <-  NULL
laliga$`Half_Time_Score` <- NULL
laliga$`Match_Excitement` <- NULL
laliga$`Home_Team_Rating` <- NULL
laliga$`Away_Team_Rating` <- NULL
laliga$`Home_Team_Goals_Conceeded` <- NULL
laliga$`Away_Team_Goals_Conceeded` <- NULL

# Creación de campos que se quieren estudiar más adelante
laliga <- mutate(laliga, score = ifelse(Home_Team_Goals_Scored-Away_Team_Goals_Scored > 0, "1",
                                          ifelse(Home_Team_Goals_Scored-Away_Team_Goals_Scored < 0, "2", "x")))

laliga <- mutate(laliga, jornada = ceiling(row_number() / 10)) %>%
        mutate(jornada = (jornada - 1) %% 38 + 1)

laliga <- mutate(laliga, home_points = case_when(score == 1 ~ 3,
                                                 score == "x" ~ 1,
                                                 score == 2 ~ 0))
laliga <- mutate(laliga, away_points = case_when(score == 1 ~ 0,
                                                 score == "x" ~ 1,
                                                 score == 2 ~ 3))

laliga <- mutate(laliga, goals = Home_Team_Goals_Scored + Away_Team_Goals_Scored)

# Convertimos a categorías
laliga$Home_Team <- as.factor(laliga$Home_Team)
laliga$Away_Team <- as.factor(laliga$Away_Team)
laliga$score <- factor(laliga$score, levels = c("1", "x", "2"))

2.2 Tratamiento de datos faltantes

Si alguno de los NA hubiera aparecido en las variables categóricas (equipos y resultados), la elección para su tratamiento hubiera sido acudir a cualquier fuente (google, por ejemplo) en busca del partido concreto para obtenerlas, ya que sabiendo la jornada y la temporada del partido apenas llevaría unos segundos encontrarlas y evitaríamos eliminar esas filas.

Sin embargo en este caso solo aparecen en las siguientes variables numéricas:

Home Team Possession (1)
Home Team On Target Shots (1)
Home Team Clearances (1)
Home Team Second Yellow Cards (1)
Away Team Off Target Shots (1)
Away Team Blocked Shots (1)
Away Team Corners (1)
Away Team Throw Ins
Away Team Pass Success (2)
Away Team Aerials Won (1)

library(VIM)
aggr(laliga, col=c('lightgreen','black'), numbers=TRUE, sortVars=TRUE,
                  labels=names(laliga), cex.axis=.7, gap=3, 
                  ylab=c("Histogram of missing data","Pattern"))

## 
##  Variables sorted by number of missings: 
##                       Variable        Count
##       Away_Team_Pass_Success_% 0.0007518797
##         Home_Team_Possession_% 0.0003759398
##      Home_Team_On_Target_Shots 0.0003759398
##           Home_Team_Clearances 0.0003759398
##  Home_Team_Second_Yellow_Cards 0.0003759398
##     Away_Team_Off_Target_Shots 0.0003759398
##        Away_Team_Blocked_Shots 0.0003759398
##              Away_Team_Corners 0.0003759398
##            Away_Team_Throw_Ins 0.0003759398
##          Away_Team_Aerials_Won 0.0003759398
##                           ...1 0.0000000000
##                      Home_Team 0.0000000000
##                      Away_Team 0.0000000000
##         Away_Team_Possession_% 0.0000000000
##     Home_Team_Off_Target_Shots 0.0000000000
##          Home_Team_Total_Shots 0.0000000000
##        Home_Team_Blocked_Shots 0.0000000000
##              Home_Team_Corners 0.0000000000
##            Home_Team_Throw_Ins 0.0000000000
##       Home_Team_Pass_Success_% 0.0000000000
##          Home_Team_Aerials_Won 0.0000000000
##                Home_Team_Fouls 0.0000000000
##         Home_Team_Yellow_Cards 0.0000000000
##            Home_Team_Red_Cards 0.0000000000
##      Away_Team_On_Target_Shots 0.0000000000
##          Away_Team_Total_Shots 0.0000000000
##           Away_Team_Clearances 0.0000000000
##                Away_Team_Fouls 0.0000000000
##         Away_Team_Yellow_Cards 0.0000000000
##  Away_Team_Second_Yellow_Cards 0.0000000000
##            Away_Team_Red_Cards 0.0000000000
##         Home_Team_Goals_Scored 0.0000000000
##         Away_Team_Goals_Scored 0.0000000000
##                           year 0.0000000000
##                          score 0.0000000000
##                        jornada 0.0000000000
##                    home_points 0.0000000000
##                    away_points 0.0000000000
##                          goals 0.0000000000

Siendo tan pocos respecto al tamaño del dataset y comprendiendo que es preferible mantener estas filas (ya que los campos aparentemente más relevantes como los goles o los equipos sí aparecen), se ha optado por sustituir estos NA por la mediana del resto de valores de esa variable.

Sabiendo que la imputación de datos faltantes con medidas de centralidad (como es la mediana que hemos utilizado) está desaconsejada porque tiene a introducir sesgo en los estimadores, en nuestro caso se ha considerado que, dado el escaso número de NA, no compensaba utilizar un método de imputación más complejo, como una regresión.

laliga$`Home_Team_Possession_%`[is.na(laliga$`Home_Team_Possession_%`)] <- median(laliga$`Home_Team_Possession_%`[!is.na(laliga$`Home_Team_Possession_%`)])

laliga$Home_Team_On_Target_Shots[is.na(laliga$Home_Team_On_Target_Shots)] <- median(laliga$Home_Team_On_Target_Shots[!is.na(laliga$Home_Team_On_Target_Shots)])

laliga$Home_Team_Clearances[is.na(laliga$Home_Team_Clearances)] <- median(laliga$Home_Team_Clearances[!is.na(laliga$Home_Team_Clearances)])

laliga$Home_Team_Second_Yellow_Cards[is.na(laliga$Home_Team_Second_Yellow_Cards)] <- median(laliga$Home_Team_Second_Yellow_Cards[!is.na(laliga$Home_Team_Second_Yellow_Cards)])

laliga$Away_Team_Off_Target_Shots[is.na(laliga$Away_Team_Off_Target_Shots)] <- median(laliga$Away_Team_Off_Target_Shots[!is.na(laliga$Away_Team_Off_Target_Shots)])

laliga$Away_Team_Blocked_Shots[is.na(laliga$Away_Team_Blocked_Shots)] <- median(laliga$Away_Team_Blocked_Shots[!is.na(laliga$Away_Team_Blocked_Shots)])

laliga$Away_Team_Corners[is.na(laliga$Away_Team_Corners)] <- median(laliga$Away_Team_Corners[!is.na(laliga$Away_Team_Corners)])

laliga$Away_Team_Throw_Ins[is.na(laliga$Away_Team_Throw_Ins)] <- median(laliga$Away_Team_Throw_Ins[!is.na(laliga$Away_Team_Throw_Ins)])

laliga$`Away_Team_Pass_Success_%`[is.na(laliga$`Away_Team_Pass_Success_%`)] <- round(mean(laliga$`Away_Team_Pass_Success_%`[!is.na(laliga$`Away_Team_Pass_Success_%`)]), 0)

laliga$Away_Team_Aerials_Won[is.na(laliga$Away_Team_Aerials_Won)] <- round(mean(laliga$Away_Team_Aerials_Won[!is.na(laliga$Away_Team_Aerials_Won)]), 0)

2.3 División del dataset

Para finalizar la preparación de los datos, dividiremos nuestro dataset en dos partes, una de entrenamiento (train), con el que trabajaremos durante todo el análisis, y otra de validación (test), que nos servirá para comprobar la eficacia del modelo final. Para esta división se han parecido separado las dos últimas temporadas (aproximadamente el 30% del total).

test <- filter(laliga, year > 2018)
train <- filter(laliga, year <= 2018)

3 Análisis de las variables cualitativas

Una vez preparado el dataset comenzamos con el análisis de las variables cualitativas. En nuestro caso solo tenemos tres de este tipo (equipo local, equipo visitante y resultado) y empezaremos por las dos primeras:

# Sacamos los partidos que ha jugado cada equipo (más años en primera division)
data.frame(Equipo = rownames(table(train$Home_Team) + table(train$Away_Team)),
           Partidos = as.numeric(table(train$Home_Team) + table(train$Away_Team))) %>%
  arrange(desc(Partidos)) %>%
  kbl() %>%
  kable_material(c("striped", "hover")) %>%
  scroll_box(width = "100%", height = "350px")

Equipo	Partidos
ATHLETIC	190
ATLETICO MADRID	190
BARCELONA	190
CELTA	190
EIBAR	190
ESPANYOL	190
REAL MADRID	190
REAL SOCIEDAD	190
SEVILLA FC	190
VALENCIA	190
VILLARREAL	190
DEPORTIVO	152
GETAFE	152
LEVANTE	152
MÁLAGA	152
REAL BETIS	152
ALAVÉS	114
GRANADA	114
LAS PALMAS	114
LEGANÉS	114
RAYO VALLECANO	114
GIJÓN	76
GIRONA	76
ALMERÍA	38
CÓRDOBA	38
ELCHE	38
HUESCA	38
OSASUNA	38
VALLADOLID	38
CÁDIZ CF	0
MALLORCA	0

ggplot(train, aes(Home_Team)) +
  geom_bar(fill = "darkgreen") +
  coord_flip() +
  labs(x = "Equipo", y = "Partidos", title = "Partidos jugados como local") +
  theme(plot.title = element_text(hjust = 0.5))

Tanto en el análisis numérico como en la gráfica podemos observar que hay algunos equipos que han jugado todos los partidos posibles, mientras que otros no, lo cual nos indica aquellos que han estado al menos una temporada en segunda división.

Respecto a los resultados, se puede ver a continuación cómo el equipo local gana prácticamente la mitad de los partidos (46.42%), por un 28.95% de victorias visitantes y un 24.63% de empates.

# Número y proporción de victorias, derrotas y empates
table(train$score)

## 
##   1   x   2 
## 882 468 550

round(prop.table(table(train$score))*100, 2)

## 
##     1     x     2 
## 46.42 24.63 28.95

ggplot(train, aes(score, fill = score)) +
  geom_bar() +
  labs(x = "Resultado", y = "Partidos", title = "Nº de victorias locales, empates y victorias visitantes") +
  theme(plot.title = element_text(hjust = 0.5))

Tras haber analizado ambas variables por separado, a continuación se hará de forma conjunta, mostrando la cantidad y la proporción de partidos que cada equipo gana, empate y pierde dependiendo de si es local o visitante (en ese orden).

# Partidos ganados, empatados y perdidos por cada equipo como local
with(train, table(Home_Team, score)) %>%
  kbl() %>%
  kable_material(c("striped", "hover")) %>%
  scroll_box(width = "100%", height = "350px")

	1	x	2
ALAVÉS	23	17	17
ALMERÍA	3	7	9
ATHLETIC	47	30	18
ATLETICO MADRID	70	17	8
BARCELONA	78	11	6
CÁDIZ CF	0	0	0
CELTA	42	26	27
CÓRDOBA	1	6	12
DEPORTIVO	20	25	31
EIBAR	40	21	34
ELCHE	6	3	10
ESPANYOL	44	25	26
GETAFE	32	19	25
GIJÓN	12	8	18
GIRONA	11	9	18
GRANADA	14	19	24
HUESCA	5	6	8
LAS PALMAS	21	13	23
LEGANÉS	21	18	18
LEVANTE	26	24	26
MÁLAGA	30	17	29
MALLORCA	0	0	0
OSASUNA	2	7	10
RAYO VALLECANO	21	12	24
REAL BETIS	30	22	24
REAL MADRID	71	12	12
REAL SOCIEDAD	43	24	28
SEVILLA FC	64	18	13
VALENCIA	49	27	19
VALLADOLID	5	5	9
VILLARREAL	51	20	24

# Partidos ganados, empatados y perdidos por cada equipo como visitante
with(train, table(Away_Team, score)) %>%
  kbl() %>%
  kable_material(c("striped", "hover")) %>%
  scroll_box(width = "100%", height = "350px")

	1	x	2
ALAVÉS	29	9	19
ALMERÍA	13	1	5
ATHLETIC	46	21	28
ATLETICO MADRID	21	25	49
BARCELONA	11	21	63
CÁDIZ CF	0	0	0
CELTA	49	22	24
CÓRDOBA	12	5	2
DEPORTIVO	37	30	9
EIBAR	46	29	20
ELCHE	9	5	5
ESPANYOL	46	27	22
GETAFE	38	21	17
GIJÓN	22	11	5
GIRONA	16	10	12
GRANADA	38	12	7
HUESCA	11	6	2
LAS PALMAS	40	11	6
LEGANÉS	35	12	10
LEVANTE	45	18	13
MÁLAGA	45	18	13
MALLORCA	0	0	0
OSASUNA	14	3	2
RAYO VALLECANO	35	11	11
REAL BETIS	40	13	23
REAL MADRID	19	17	59
REAL SOCIEDAD	45	23	27
SEVILLA FC	44	23	28
VALENCIA	36	25	34
VALLADOLID	8	6	5
VILLARREAL	32	33	30

# Proporción de partidos ganados, empatados y perdidos por cada equipo como local
round(t((prop.table(with(train, table(score, Home_Team)), margin = 2)))*100,2) %>%
  kbl() %>%
  kable_material(c("striped", "hover")) %>%
  scroll_box(width = "100%", height = "350px")

	1	x	2
ALAVÉS	40.35	29.82	29.82
ALMERÍA	15.79	36.84	47.37
ATHLETIC	49.47	31.58	18.95
ATLETICO MADRID	73.68	17.89	8.42
BARCELONA	82.11	11.58	6.32
CÁDIZ CF	NaN	NaN	NaN
CELTA	44.21	27.37	28.42
CÓRDOBA	5.26	31.58	63.16
DEPORTIVO	26.32	32.89	40.79
EIBAR	42.11	22.11	35.79
ELCHE	31.58	15.79	52.63
ESPANYOL	46.32	26.32	27.37
GETAFE	42.11	25.00	32.89
GIJÓN	31.58	21.05	47.37
GIRONA	28.95	23.68	47.37
GRANADA	24.56	33.33	42.11
HUESCA	26.32	31.58	42.11
LAS PALMAS	36.84	22.81	40.35
LEGANÉS	36.84	31.58	31.58
LEVANTE	34.21	31.58	34.21
MÁLAGA	39.47	22.37	38.16
MALLORCA	NaN	NaN	NaN
OSASUNA	10.53	36.84	52.63
RAYO VALLECANO	36.84	21.05	42.11
REAL BETIS	39.47	28.95	31.58
REAL MADRID	74.74	12.63	12.63
REAL SOCIEDAD	45.26	25.26	29.47
SEVILLA FC	67.37	18.95	13.68
VALENCIA	51.58	28.42	20.00
VALLADOLID	26.32	26.32	47.37
VILLARREAL	53.68	21.05	25.26

# Proporción de partidos ganados, empatados y perdidos por cada equipo como visitante
round(t((prop.table(with(train, table(score, Away_Team)), margin = 2)))*100,2) %>%
  kbl() %>%
  kable_material(c("striped", "hover")) %>%
  scroll_box(width = "100%", height = "350px")

	1	x	2
ALAVÉS	50.88	15.79	33.33
ALMERÍA	68.42	5.26	26.32
ATHLETIC	48.42	22.11	29.47
ATLETICO MADRID	22.11	26.32	51.58
BARCELONA	11.58	22.11	66.32
CÁDIZ CF	NaN	NaN	NaN
CELTA	51.58	23.16	25.26
CÓRDOBA	63.16	26.32	10.53
DEPORTIVO	48.68	39.47	11.84
EIBAR	48.42	30.53	21.05
ELCHE	47.37	26.32	26.32
ESPANYOL	48.42	28.42	23.16
GETAFE	50.00	27.63	22.37
GIJÓN	57.89	28.95	13.16
GIRONA	42.11	26.32	31.58
GRANADA	66.67	21.05	12.28
HUESCA	57.89	31.58	10.53
LAS PALMAS	70.18	19.30	10.53
LEGANÉS	61.40	21.05	17.54
LEVANTE	59.21	23.68	17.11
MÁLAGA	59.21	23.68	17.11
MALLORCA	NaN	NaN	NaN
OSASUNA	73.68	15.79	10.53
RAYO VALLECANO	61.40	19.30	19.30
REAL BETIS	52.63	17.11	30.26
REAL MADRID	20.00	17.89	62.11
REAL SOCIEDAD	47.37	24.21	28.42
SEVILLA FC	46.32	24.21	29.47
VALENCIA	37.89	26.32	35.79
VALLADOLID	42.11	31.58	26.32
VILLARREAL	33.68	34.74	31.58

También se muestra la visualización de estos datos para una comprensión mas intuitiva:

ggplot(train, aes(x = Home_Team, color = score, fill = score)) + geom_bar() + facet_wrap(~score) + coord_flip() + labs(x = "Equipo", y = "Partidos", title = "Nº de victorias, empates y derrotas como equipo local")+ theme(plot.title = element_text(hjust = 0.5))

ggplot(train, aes(x = Away_Team, color = score, fill = score)) + geom_bar() + facet_wrap(~score) + coord_flip() + labs(x = "Equipo", y = "Partidos", title = "Nº de victorias, empates y derrotas como equipo local")+ theme(plot.title = element_text(hjust = 0.5))

Es interesante ver como, tras este análisis de las variables cualitativas ya se pueden identificar los equipos punteros de la liga.

No sólo hay 11 equipos que se han mantenido en primera todos los años (Athletic, Atlético, Barcelona, Celta, Eibar, Espanyol, Real Madrid, Real Sociedad, Sevilla, Valencia y Villarreal) si no que algunos de ellos cosechan una mayor proporción de victorias.

En este grupo destacan sobre el resto los tres “grandes” de la actualidad (Real Madrid, Barcelona y Atlético), ya que aunque en partidos como local hay alguno equipo (como el Sevilla) que se les acerca en victorias, es en los partidos como visitante donde estos tres destacan por encima del resto (especialmente Madrid y Barcelona).

Lo cual tiene especial relevancia si comparamos estos datos con los del inicio, en los que se veía que jugar en casa era un factor determinante para ganar un partido.

Por lo tanto, un buen indicio para saber cómo de bueno es un equipo es ver su proporción de victorias como visitante.

4 Análisis de las variables cuantitativas

En el caso de las variables cuantitativas tenemos una gran cantidad de ellas para analizar, así que para un mejor entendimiento de las mismas se analizarán agrupándolas por eventos similares en el partido y comparándolas entre equipo local y visitante, tanto numérica como visualmente con gráficos de cajas.

# Posesion
bind_rows(data.frame(summarise(train,
                               max = max(`Home_Team_Possession_%`),
                               min = min(`Home_Team_Possession_%`),
                               mean = mean(`Home_Team_Possession_%`),
                               sd = sd(`Home_Team_Possession_%`))),
          data.frame(summarise(train,
                               max = max(`Away_Team_Possession_%`),
                               min = min(`Away_Team_Possession_%`),
                               mean = mean(`Away_Team_Possession_%`),
                               sd = sd(`Away_Team_Possession_%`)))
          ) %>% mutate("Posesión (%)" = c("Local", "Visitante")) %>% 
  select("Posesión (%)", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Posesión (%)	max	min	mean	sd
Local	82	18	51.71737	10.84442
Visitante	81	18	48.25789	10.82105

# Pases
bind_rows(data.frame(summarise(train,
                               max = max(`Home_Team_Pass_Success_%`),
                               min = min(`Home_Team_Pass_Success_%`),
                               mean = mean(`Home_Team_Pass_Success_%`),
                               sd = sd(`Home_Team_Pass_Success_%`))),
          data.frame(summarise(train,
                               max = max(`Away_Team_Pass_Success_%`),
                               min = min(`Away_Team_Pass_Success_%`),
                               mean = mean(`Away_Team_Pass_Success_%`),
                               sd = sd(`Away_Team_Pass_Success_%`)))
          ) %>% mutate("Pases acertados (%)" = c("Local", "Visitante")) %>% 
  select("Pases acertados (%)", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Pases acertados (%)	max	min	mean	sd
Local	93	46	77.68316	7.486947
Visitante	93	41	75.73737	7.947165

par(mfrow = c(1, 2))
boxplot(train$`Home_Team_Possession_%`, train$`Away_Team_Possession_%`, main = 'Posesión (%)',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$`Home_Team_Pass_Success_%`, train$`Away_Team_Pass_Success_%`, main = 'Pases acertados (%)',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

En términos de posesión y porcentaje de pases acertados (dos variables lógicamente relacionadas), se observa como ambas distribuciones son prácticamente calcadas, con valores ligeramente más altos para el equipo local peri sin diferencias significativas.

# Tiros
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Total_Shots),
                               min = min(Home_Team_Total_Shots),
                               mean = mean(Home_Team_Total_Shots),
                               sd = sd(Home_Team_Total_Shots))),
          data.frame(summarise(train,
                               max = max(Away_Team_Total_Shots),
                               min = min(Away_Team_Total_Shots),
                               mean = mean(Away_Team_Total_Shots),
                               sd = sd(Away_Team_Total_Shots)))
          ) %>% mutate("Tiros" = c("Local", "Visitante")) %>% 
  select("Tiros", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Tiros	max	min	mean	sd
Local	33	2	13.53421	4.760000
Visitante	28	0	10.49158	4.296837

# Tiros a puerta
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_On_Target_Shots),
                               min = min(Home_Team_On_Target_Shots),
                               mean = mean(Home_Team_On_Target_Shots),
                               sd = sd(Home_Team_On_Target_Shots))),
          data.frame(summarise(train,
                               max = max(Away_Team_On_Target_Shots),
                               min = min(Away_Team_On_Target_Shots),
                               mean = mean(Away_Team_On_Target_Shots),
                               sd = sd(Away_Team_On_Target_Shots)))
          ) %>% mutate("Tiros a puerta" = c("Local", "Visitante")) %>% 
  select("Tiros a puerta", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Tiros a puerta	max	min	mean	sd
Local	15	0	4.841579	2.537275
Visitante	13	0	3.747895	2.185722

# Tiros fuera
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Off_Target_Shots),
                               min = min(Home_Team_Off_Target_Shots),
                               mean = mean(Home_Team_Off_Target_Shots),
                               sd = sd(Home_Team_Off_Target_Shots))),
          data.frame(summarise(train,
                               max = max(Away_Team_Off_Target_Shots),
                               min = min(Away_Team_Off_Target_Shots),
                               mean = mean(Away_Team_Off_Target_Shots),
                               sd = sd(Away_Team_Off_Target_Shots)))
          ) %>% mutate("Tiros fuera" = c("Local", "Visitante")) %>% 
  select("Tiros fuera", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Tiros fuera	max	min	mean	sd
Local	17	0	5.721579	2.669599
Visitante	14	0	4.352632	2.339952

# Tiros bloqueados
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Blocked_Shots),
                               min = min(Home_Team_Blocked_Shots),
                               mean = mean(Home_Team_Blocked_Shots),
                               sd = sd(Home_Team_Blocked_Shots))),
          data.frame(summarise(train,
                               max = max(Away_Team_Blocked_Shots),
                               min = min(Away_Team_Blocked_Shots),
                               mean = mean(Away_Team_Blocked_Shots),
                               sd = sd(Away_Team_Blocked_Shots)))
          ) %>% mutate("Tiros bloqueados" = c("Local", "Visitante")) %>% 
  select("Tiros bloqueados", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Tiros bloqueados	max	min	mean	sd
Local	12	0	2.981579	1.991604
Visitante	11	0	2.410526	1.837212

par(mfrow = c(1, 4))
boxplot(train$Home_Team_Total_Shots, train$Away_Team_Total_Shots, main = 'Tiros',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$Home_Team_On_Target_Shots, train$Away_Team_On_Target_Shots, main = 'Tiros a puerta',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$Home_Team_Off_Target_Shots, train$Away_Team_Off_Target_Shots, main = 'Tiros fuera',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$Home_Team_Blocked_Shots, train$Away_Team_Blocked_Shots, main = 'Tiros bloqueados',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

En el apartado de tiros vemos como el equipo local sí es dominador en todas las facetas. Y aunque las diferencias no son enormes, sí que parecen suficientes para marcar diferencias (como así lo hacen en el marcador).

# Corners
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Corners),
                               min = min(Home_Team_Corners),
                               mean = mean(Home_Team_Corners),
                               sd = sd(Home_Team_Corners))),
          data.frame(summarise(train,
                               max = max(Away_Team_Corners),
                               min = min(Away_Team_Corners),
                               mean = mean(Away_Team_Corners),
                               sd = sd(Away_Team_Corners)))
          ) %>% mutate("Corners" = c("Local", "Visitante")) %>% 
  select("Corners", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Corners	max	min	mean	sd
Local	20	0	5.657895	2.860605
Visitante	32	0	4.202632	2.523923

# Centros
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Throw_Ins),
                               min = min(Home_Team_Throw_Ins),
                               mean = mean(Home_Team_Throw_Ins),
                               sd = sd(Home_Team_Throw_Ins))),
          data.frame(summarise(train,
                               max = max(Away_Team_Throw_Ins),
                               min = min(Away_Team_Throw_Ins),
                               mean = mean(Away_Team_Throw_Ins),
                               sd = sd(Away_Team_Throw_Ins)))
          ) %>% mutate("Centros" = c("Local", "Visitante")) %>% 
  select("Centros", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Centros	max	min	mean	sd
Local	47	5	22.84368	6.795616
Visitante	45	3	21.61526	6.477398

# Balones aereos
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Aerials_Won),
                               min = min(Home_Team_Aerials_Won),
                               mean = mean(Home_Team_Aerials_Won),
                               sd = sd(Home_Team_Aerials_Won))),
          data.frame(summarise(train,
                               max = max(Away_Team_Aerials_Won),
                               min = min(Away_Team_Aerials_Won),
                               mean = mean(Away_Team_Aerials_Won),
                               sd = sd(Away_Team_Aerials_Won)))
          ) %>% mutate("Balones aereos ganados" = c("Local", "Visitante")) %>% 
  select("Balones aereos ganados", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Balones aereos ganados	max	min	mean	sd
Local	46	2	16.61579	7.241691
Visitante	47	0	16.15526	6.954876

# Despejes
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Clearances),
                               min = min(Home_Team_Clearances),
                               mean = mean(Home_Team_Clearances),
                               sd = sd(Home_Team_Clearances))),
          data.frame(summarise(train,
                               max = max(Away_Team_Clearances),
                               min = min(Away_Team_Clearances),
                               mean = mean(Away_Team_Clearances),
                               sd = sd(Away_Team_Clearances)))
          ) %>% mutate("Despejes" = c("Local", "Visitante")) %>% 
  select("Despejes", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Despejes	max	min	mean	sd
Local	61	1	18.41368	8.399543
Visitante	63	2	22.92632	9.473326

par(mfrow = c(1, 4))
boxplot(train$Home_Team_Corners, train$Away_Team_Corners, main = 'Corners',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$Home_Team_Throw_Ins, train$Away_Team_Throw_Ins, main = 'Centros',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$Home_Team_Aerials_Won, train$Away_Team_Aerials_Won, main = 'Balones aéreos ganados',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$Home_Team_Clearances, train$Away_Team_Clearances, main = 'Despejes',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

Al igual que con los tiros, el equipo local domina también los centros y corners, lo cual quiere decir que tiene mayor presencia en área contraria. Esto encaja con el hecho de que sea el equipo visitante el que más balones despeje.

# Faltas
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Fouls),
                               min = min(Home_Team_Fouls),
                               mean = mean(Home_Team_Fouls),
                               sd = sd(Home_Team_Fouls))),
          data.frame(summarise(train,
                               max = max(Away_Team_Fouls),
                               min = min(Away_Team_Fouls),
                               mean = mean(Away_Team_Fouls),
                               sd = sd(Away_Team_Fouls)))
          ) %>% mutate("Faltas" = c("Local", "Visitante")) %>% 
  select("Faltas", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Faltas	max	min	mean	sd
Local	33	1	13.84684	4.254319
Visitante	29	0	13.87526	4.187637

# Amarillas
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Yellow_Cards),
                               min = min(Home_Team_Yellow_Cards),
                               mean = mean(Home_Team_Yellow_Cards),
                               sd = sd(Home_Team_Yellow_Cards))),
          data.frame(summarise(train,
                               max = max(Away_Team_Yellow_Cards),
                               min = min(Away_Team_Yellow_Cards),
                               mean = mean(Away_Team_Yellow_Cards),
                               sd = sd(Away_Team_Yellow_Cards)))
          ) %>% mutate("Tarjetas amarillas" = c("Local", "Visitante")) %>% 
  select("Tarjetas amarillas", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Tarjetas amarillas	max	min	mean	sd
Local	8	0	2.460526	1.521833
Visitante	8	0	2.744210	1.485703

# Segundas amarillas
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Second_Yellow_Cards),
                               min = min(Home_Team_Second_Yellow_Cards),
                               mean = mean(Home_Team_Second_Yellow_Cards),
                               sd = sd(Home_Team_Second_Yellow_Cards))),
          data.frame(summarise(train,
                               max = max(Away_Team_Second_Yellow_Cards),
                               min = min(Away_Team_Second_Yellow_Cards),
                               mean = mean(Away_Team_Second_Yellow_Cards),
                               sd = sd(Away_Team_Second_Yellow_Cards)))
          ) %>% mutate("Segundas tarjetas amarillas" = c("Local", "Visitante")) %>% 
  select("Segundas tarjetas amarillas", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Segundas tarjetas amarillas	max	min	mean	sd
Local	2	0	0.0600000	0.2462569
Visitante	2	0	0.0836842	0.2863345

# Rojas
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Red_Cards),
                               min = min(Home_Team_Red_Cards),
                               mean = mean(Home_Team_Red_Cards),
                               sd = sd(Home_Team_Red_Cards))),
          data.frame(summarise(train,
                               max = max(Away_Team_Red_Cards),
                               min = min(Away_Team_Red_Cards),
                               mean = mean(Away_Team_Red_Cards),
                               sd = sd(Away_Team_Red_Cards)))
          ) %>% mutate("Tarjetas rojas" = c("Local", "Visitante")) %>% 
  select("Tarjetas rojas", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Tarjetas rojas	max	min	mean	sd
Local	2	0	0.0442105	0.2131614
Visitante	2	0	0.0478947	0.2255898

par(mfrow = c(1, 2))
boxplot(train$Home_Team_Fouls, train$Away_Team_Fouls, main = 'Faltas',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

boxplot(train$Home_Team_Yellow_Cards, train$Away_Team_Yellow_Cards, main = 'Tarjetas amarillas',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

Respecto a las faltas, pese a tener una distribución muy similar, incluso el equipo visitante con una media por partido inferior, es este último el que más tarjetas recibe. Probablemente se deba (recordando que el equipo local crea más acciones en campo contrario) a que dichas faltas cortan jugadas potencialmente más peligrosas.

Aunque seguramente influirán otros factores más difíciles de medir como la presión que ejerza el público local sobre el árbitro a la hora de tomar decisiones.

# Goles
bind_rows(data.frame(summarise(train,
                               max = max(Home_Team_Goals_Scored),
                               min = min(Home_Team_Goals_Scored),
                               mean = mean(Home_Team_Goals_Scored),
                               sd = sd(Home_Team_Goals_Scored))),
          data.frame(summarise(train,
                               max = max(Away_Team_Goals_Scored),
                               min = min(Away_Team_Goals_Scored),
                               mean = mean(Away_Team_Goals_Scored),
                               sd = sd(Away_Team_Goals_Scored)))
          ) %>% mutate("Goles" = c("Local", "Visitante")) %>% 
  select("Goles", everything()) %>%
  kbl() %>%
  kable_material(c("striped", "hover"))

Goles	max	min	mean	sd
Local	10	0	1.563684	1.364813
Visitante	8	0	1.161053	1.180123

par(mfrow = c(1, 2))
boxplot(train$Home_Team_Goals_Scored, train$Away_Team_Goals_Scored, main = 'Goles',
        ylab = "Valores", col = c("#d55566","#066699"))
axis(1, at = 1:2, labels = c("Local", "Visitante"))

Por último se observa que los equipos locales marcan más goles que los visitantes, algo relativamente previsible sabiendo que las victorias suelen caer del lado local.

Para finalizar el análisis univariante a continuación se muestran los histogramas con su curva de densidad de cada una de las variables, donde se aprecia a simple vista en casi todas como siguen una distribución normal.

plot_grid(ggplot(train, aes(`Home_Team_Possession_%`)) +
  geom_histogram(aes(y=..density..), bins = 20,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Posesión (%)", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(`Away_Team_Possession_%`)) +
  geom_histogram(aes(y=..density..), bins = 20,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Posesión (%)", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(`Home_Team_Pass_Success_%`)) +
  geom_histogram(aes(y=..density..), bins = 20, position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Pases acertados (%)", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(`Away_Team_Pass_Success_%`)) +
  geom_histogram(aes(y=..density..), bins = 20,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Pases acertados (%)", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
          
        align = "h", ncol = 2, nrow = 2)

plot_grid(ggplot(train, aes(Home_Team_Total_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Total_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_On_Target_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10, position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros a puerta", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_On_Target_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros a puerta", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Off_Target_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros fuera", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Off_Target_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros fuera", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Blocked_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros bloqueados", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Blocked_Shots)) +
  geom_histogram(aes(y=..density..), bins = 10,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tiros bloqueados", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
          
        align = "h", nrow = 2, ncol = 4)

plot_grid(ggplot(train, aes(Home_Team_Corners)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Corners", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Corners)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Corners", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Throw_Ins)) +
  geom_histogram(aes(y=..density..), bins = 15, position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Centros", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Throw_Ins)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Centros", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Aerials_Won)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Balones aéreos ganados", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Aerials_Won)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Balones aaéreos ganados", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Clearances)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Despejes", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Clearances)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Despejes", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
          
        align = "h", nrow = 2, ncol = 4)

plot_grid(ggplot(train, aes(Home_Team_Fouls)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Faltas", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Fouls)) +
  geom_histogram(aes(y=..density..), bins = 15,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Faltas", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Yellow_Cards)) +
  geom_histogram(aes(y=..density..), bins = 5, position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tarjetas amarillas", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Yellow_Cards)) +
  geom_histogram(aes(y=..density..), bins = 5,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tarjetas amarillas", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Goals_Scored)) +
  geom_histogram(aes(), bins = 10,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Goles", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Goals_Scored)) +
  geom_histogram(aes(), bins = 10,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Goles", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_Red_Cards)) +
  geom_histogram(aes(), bins = 10,position = "dodge", color = 'black', fill = '#d55566') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tarjetas rojas", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_Red_Cards)) +
  geom_histogram(aes(), bins = 10,position = "dodge", color = 'black', fill = '#066699') +
  geom_density(alpha=.3, fill = "lightgreen") + labs(x="Tarjetas rojas", y="Frecuencia") + theme(plot.title=element_text(hjust = 0.5)),
          
        align = "h", nrow = 2, ncol = 4)

Sin embargo en el caso de los goles y las expulsiones no parece tan evidente que la distribución sea normal (más bien parecen exponenciales).

5 Análisis multivariante

Una vez analizadas todas las variables de forma individual, resulta evidente cuales debemos escoger como variables respuesta: los goles y el resultado son aquellas de mayor interés para el desenlace de un partido, aunque seguramente las más complejas de predecir.

A continuación se realizará un análisis multivariante, donde cruzaremos todas para ver las relaciones que hay entre ellas. Debido a la gran cantidad de posibles gráficos entre todas ellas, solo hemos seleccionado los que consideramos más representativos o que nos sirven para mostrar la variedad de casos.

num_data <- train %>% select("Home_Team_Goals_Scored", "Home_Team_Possession_%", "Home_Team_Pass_Success_%", "Home_Team_Total_Shots", "Home_Team_On_Target_Shots", "Home_Team_Off_Target_Shots", "Home_Team_Blocked_Shots", "Home_Team_Corners", "Home_Team_Throw_Ins", "Home_Team_Aerials_Won", "Home_Team_Clearances", "Home_Team_Fouls", "Home_Team_Yellow_Cards", "Home_Team_Second_Yellow_Cards", "Home_Team_Red_Cards", "Away_Team_Goals_Scored", "Away_Team_Possession_%", "Away_Team_Pass_Success_%", "Away_Team_Total_Shots", "Away_Team_On_Target_Shots", "Away_Team_Off_Target_Shots", "Away_Team_Blocked_Shots", "Away_Team_Corners", "Away_Team_Throw_Ins", "Away_Team_Aerials_Won", "Away_Team_Clearances", "Away_Team_Fouls", "Away_Team_Yellow_Cards", "Away_Team_Second_Yellow_Cards", "Away_Team_Red_Cards")

ggcorrplot(cor(num_data),type = "lower", lab=FALSE)

num_data <- train %>% select("Home_Team_Goals_Scored", "Home_Team_Possession_%", "Home_Team_Pass_Success_%", "Home_Team_Total_Shots", "Home_Team_On_Target_Shots", "Home_Team_Off_Target_Shots", "Home_Team_Blocked_Shots", "Home_Team_Corners", "Home_Team_Throw_Ins", "Home_Team_Aerials_Won", "Home_Team_Clearances", "Home_Team_Fouls", "Home_Team_Yellow_Cards", "Home_Team_Second_Yellow_Cards", "Home_Team_Red_Cards")

ggcorrplot(cor(num_data),type = "lower", lab=TRUE)

Además de la obvia relación directa entre la posesión de ambos equipos, lo que más llama la atención (aunque también era esperable), es la correlación entre los distintos tiros (totales, a puerta, fuera…).

plot_grid(ggplot(train, aes(x=Home_Team_Total_Shots, y=Home_Team_On_Target_Shots)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Tiros", y="Tiros a puerta") +
  geom_smooth(method=lm),
  
  ggplot(train, aes(x=Home_Team_Total_Shots, y=Home_Team_On_Target_Shots)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Tiros", y="Tiros fuera") +
  geom_smooth(method=lm),
  
  ggplot(train, aes(x=Home_Team_Total_Shots, y=Home_Team_Blocked_Shots)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Tiros", y="Tiros bloqueados") +
  geom_smooth(method=lm),
  
  ggplot(train, aes(x=Home_Team_Total_Shots, y=Home_Team_Corners)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Tiros", y="Corners") +
  geom_smooth(method=lm)
)

Ya que no merece la pena representar todos los pares de relaciones ya que serían muchísimos y encima poco representativos, simplemente expondremos otros cuatro sin apenas relación entre ellos (como la mayoría de variables).

plot_grid(ggplot(train, aes(x=`Home_Team_Possession_%`, y=Home_Team_Off_Target_Shots)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Posesión", y="Tiros fuera") +
  geom_smooth(method=lm),
  
  ggplot(train, aes(x=`Home_Team_Possession_%`, y=Home_Team_Throw_Ins)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Posesión", y="Centros") +
  geom_smooth(method=lm),
  
  ggplot(train, aes(x=`Home_Team_Possession_%`, y=Home_Team_Aerials_Won)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Posesión", y="Balones aéreos gandos") +
  geom_smooth(method=lm),
  
  ggplot(train, aes(x=`Home_Team_Possession_%`, y=Home_Team_Corners)) +
  geom_point(color = '#d55566', fill = '#d55566') +
  labs(x="Posesión", y="Corners") +
  geom_smooth(method=lm)
)

Por último vamos a intentar encontrar alguna relación entre los aspectos que parecen más relevantes o que nos puedan dar alguna información adicional que hayamos pasado por alto.

train %>% select("score", "jornada", "year", "Home_Team_Goals_Scored", "Home_Team_Possession_%", "Home_Team_Total_Shots", "Home_Team_On_Target_Shots") %>%  
  ggpairs(aes(color = score, alpha = .5))

Ahondando un poco más en las variables goles y resultado, que son nuestro objetivo, podemos cruzarlas y obtener alguna relación más.

ggplot(train,aes(score ,goals, fill = score)) + geom_bar(position = "dodge", stat = "summary", fun = "mean") + labs(title="Media de goles por partido", x="resultado", y="goles") + theme(plot.title=element_text(hjust = 0.5))

Como esta en la que los partidos con más goles son los que acaban decantándose en victoria para uno de los dos equipos, mientras que los empates suelen ser a pocos goles.

Un apartado que no habíamos abordado hasta ahora son las series temporales. Teniendo los años de cada partido y el número de jornada podemos sacar algún gráfico interesante.

ggplot(train, aes(Home_Team_Goals_Scored)) + geom_bar(fill ="#d55566") +
  facet_wrap(~ year, nrow = 1) + labs(x = "temporada", y = "Goles", title = "Nº de goles por temporada")

ggplot(train, aes(Home_Team_Goals_Scored)) + geom_bar(fill ="#d55566") +
  facet_wrap(~ jornada, nrow = 7) + labs(x = "jornada", y = "Goles", title = "Nº de goles por jornada")

goles_year_jorn <- data_frame(train %>% group_by(year, jornada) %>% summarise( total_goles = sum(goals)))
ggplot(goles_year_jorn,  aes(x = jornada, y = total_goles)) + geom_point() + facet_grid(~year) + labs(x = "jornadas", y = "Nº de goles", title = "Nº de goles por jornada / Año") + theme(plot.title = element_text(hjust = 0.5)) + xlim(1,38)

Mientras que el número de goles parece no variar mucho por temporada, sí que se aprecia cierta tendencia en el transcurso de las jornadas, siendo los inicios de liga con resultados menos abultados y dejando para las últimas jornadas (cuando los equipos suelen jugar a tumba abierta en busca de resultados) los partidos más abultados.

6 Transformación de variables

Como se ha observado en la parte de visualización, la gran mayoría de las variables numéricas se distribuyen como una normal. Además todas se encuentran en una escala similar de valores, por lo que transformarlas no tendría mucho sentido para compararlas.

Para comprobar que estas variables son efectivamente normales antes de descartar su transformación, haremos uso de gráficos Q-Q Plot. A continuación se muestra esta verificación solo para una de ellas (posesión), ya que el resto son demostraciones análogas que solo recargarían el informe innecesariamente.

qqplot(train$`Home_Team_Possession_%`, qnorm(ppoints(length(train$`Home_Team_Possession_%`))))

Se ve como el gráfico se asemeja con bastante exactitud a una recta, por lo que confirma nuestra hipótesis de que la distribución es normal.

En cambio, si realizamos el mismo test para los goles, el resultado no es tan claro (gráfico izquierdo), incluso se parece más a una exponencial (gráfico derecho):

par(mfrow = c(1, 2))
# qqplot normal
qqplot(train$Home_Team_Goals_Scored, qnorm(ppoints(length(train$Home_Team_Goals_Scored))))
# qqplot exponencial
qqplot(train$Home_Team_Goals_Scored, qexp(ppoints(length(train$Home_Team_Goals_Scored))))

Para el caso de las variables relacionadas con las expulsiones (tarjetas rojas y dobles amarillas), al tener tan pocos valores (no es habitual que haya más de una expulsión en un equipo), se ha optado por binalizarlas (expulsiones o no expulsiones).

train <- mutate(train, Home_Team_expulsion = ifelse(Home_Team_Red_Cards+Home_Team_Second_Yellow_Cards == 0, "No", "Yes"))

train <- mutate(train, Away_Team_expulsion = ifelse(Away_Team_Red_Cards+Away_Team_Second_Yellow_Cards == 0, "No", "Yes"))

train$Home_Team_Second_Yellow_Cards <- NULL
train$Away_Team_Second_Yellow_Cards <- NULL
train$Home_Team_RedCards <- NULL
train$Away_Team_Red_Cards <- NULL

Una vez hecho podemos visualizar para comprobar que efectivamente, son poco habituales las expulsiones en un partido, aunque ligeramente mayor en el equipo visitante. También se comprueba como se decanta la balanza a favor del equipo que no ha tenido expulsados.

plot_grid(ggplot(train, aes(Home_Team_expulsion)) +
  geom_bar(fill = "#d55566") +
  labs(x = "Expulsiones", y = "Partidos", title = "Nº de expulsiones") +
  theme(plot.title = element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_expulsion)) +
  geom_bar(fill = "#066699") +
  labs(x = "Expulsiones", y = "Partidos", title = "Nº de expulsiones") +
  theme(plot.title = element_text(hjust = 0.5)),
  
  ggplot(train, aes(Home_Team_expulsion, fill = score)) +
  geom_bar() +
  labs(x = "Expulsiones", y = "Partidos", title = "expulsiones locales") +
  theme(plot.title = element_text(hjust = 0.5)),
  
  ggplot(train, aes(Away_Team_expulsion, fill = score)) +
  geom_bar() +
  labs(x = "Expulsiones", y = "Partidos", title = "Expulsiones visitantes") +
  theme(plot.title = element_text(hjust = 0.5))
)

Podríamos plantearnos transformar la variables de los goles, pero a continuación se muestra que no hemos encontrado una transformación apropiada.

Con la función bestNormalize se ha buscado la mejor transformación:

set.seed(11)
Goals_Norm <- bestNormalize(train$Home_Team_Goals_Scored, allow_lambert_s = TRUE)
Goals_Norm

## Best Normalizing transformation with 1900 Observations
##  Estimated Normality Statistics (Pearson P / df, lower => more normal):
##  - arcsinh(x): 41.1624
##  - Center+scale: 41.7389
##  - Exp(x): 108.5918
##  - Lambert's W (type s): 41.268
##  - Log_b(x+a): 49.9802
##  - orderNorm (ORQ): 41.6103
##  - sqrt(x + a): 41.0645
##  - Yeo-Johnson: 41.2399
## Estimation method: Out-of-sample via CV with 10 folds and 5 repeats
##  
## Based off these, bestNormalize chose:
## Standardized sqrt(x + a) Transformation with 1900 nonmissing obs.:
##  Relevant statistics:
##  - a = 0 
##  - mean (before standardization) = 1.05344 
##  - sd (before standardization) = 0.673935

plot(Goals_Norm)

En la que la mejor candidata es la transformación logarítmica. Sin embargo para este caso decidimos no utilizarla, ya que transformaría en 0 todos los 1 (nñumero de goles más habitual) y dificultaría mucho la interpretación de los resultados.

De cara al futuro sería interesante plantear el cambio de la variable resultado a dicotómica (gana el local / no gana el local, por ejemplo) para facilitar su predicción en futuros modelos.

7 Conclusiones preliminares

Tras haber analizado en detalle todas las variables de este dataset tanto de forma individual como cruzada, se han comprobado de manera empírica muchos de los conocimientos populares sobre este deporte.

Es cierto que si bien a nosotros, como aficionados al fútbol, ninguno de los hallazgos nos han sido especialmente reveladores, este parece un dataset bastante completo para entender de forma superficial e intuitiva este deporte y algunos de sus mecanismos.

Habla bastante de la complejidad de un deporte así el hecho de que de las decenas de estadísticas que se recogen en los partidos, se haga tan difícil relacionar algunas de ellas con el resultado o el ganador.

Seguramente en deportes con más puntaje (como puede ser el baloncesto) sea más fácil predecir quien va a ganar un partido, ya que en resultados tan abultados un fallo o un acierto no decanta tanto la balanza. Sin embargo en el fútbol puedes estar dominando en todos los aspectos del juego y cometer un pequeño error que te haga encajar un gol y perder el partido, sin que ello se refleje en los datos (al menos en las estadísticas recogidas en este dataset).

Llegar a conclusiones como que jugar de local es un factor muy importante o que equipos como Madrid y Barcelona son dominantes sobre el resto no ha sido ninguna sorpresa, pero nos ha servido para familiarizarnos con las herramientas necesarias para realizar un análisis exploratorio de datos como son las librerías de visualización o los test de normalidad, que era parte del objetivo.

8 Modelo de regresión lineal

La parte más frustrante sin duda ha sido la creación de un modelo predictivo. Intuíamos la dificultad que podía haber, dados los datos que teníamos, pero tras varios intentes no hemos sido capaces de obtener un modelo minimamente válido. Ni para los goles, que era una de las opciones, ni para el resultado (ganador local, visitante o empate).

Un resultado en parte lógico, ya que predecir los eventos de un partido de fútbol es un negocio millonario que (de momento) parece fuera de nuestro alcance.

De cara al futuro y como posibles vías para seguir trabajando este dataset, se podría trbajar sobre las siguientes ideas:

Clusterizar a todos los equipos en varios grupos (buenos, medios y malos, por ejemplo), para poder dar un peso mayor a aquellos que sean superiores a su rival.
Comprobar el comportamiento de cada equipo como local y visitante, ya que hay algunos que pese a tener resultados “mediocres” de media, en su estadio suelen hacerse fuertes.
A partir del numero de jornada y resultado se podría calcular la posición de cada equipo en la tabla a la hora de jugar un partido, así como la “urgencia” que tenga o no de ganar (si está luchando por la liga o por no descender en las últimas jornadas, por ejemplo). También la racha en la que lleva cada equipo al partido.
Definir cuánto se parecen dos partido en función de todo lo anterior y compararlo con partidos similares.

EDA La Liga

Enrique Roa, Miguel Ocon, Sergio fernández

14 de enero de 2023